端到端强化学习是能够直接从图像、传感器数据等原始输入到动作输出的强化学习系统，中间不依赖路径规划器等模块，是训练VLA大模型的关键方法。在2025世界人形机器人运动会上，清华大学教授、机器人控制实验室主任赵明国带领的机器人足球队“清华火神队”赢得足球赛冠军。比赛中机器人已实现无遥操，能够走、跑、跳、翻跟头，具备在复杂、有障碍物路面上行走所需的平衡和适应能力。赵明国团队的核心突破是采用端到端强化学习算法，直接将机器人的视觉信号，如球的位置、队友／对手的位置、球场边界等映射到运动控制指令，实现机器人的行走方向、踢球力度、身体姿态调整。
世界大模型是模拟环境动态的“虚拟大脑”，其核心是通过学习环境的物理规律，如物体运动、碰撞后果，预测未来状态，为VLA大模型提供环境认知支持。在攻坚世界模型技术瓶颈方面，智元近期发布了自主研发的世界模型GE。相比传统机器人的你说什么、它做什么，GE通过学习物理规律、环境动态，在内部预测未来状态，模拟人类“脑内推演”，从而让机器人具备了主动预判与决策的能力，像人一样先想、再练、后做。搭载该模型的机器人已实现“做三明治”“倒茶”“擦桌面”等任务。GE平台开放底层架构，未来或成为机器人界的“安卓系统”。
通用智能还需突破核心挑战
具身智能大脑技术不断有突破，但要实现通用智能，让机器像人一样“理解”环境，具备举一反三的泛化能力，受访专家认为目前水平差距极大。“机器人在某些特殊场景下能自主完成动作，比如足球比赛，但到了别的场景就不会了。”赵明国说。
业界专家认为，触觉融入、硬件、模型等方面的挑战，制约着具身智能向通用智能演进。
触觉融入方面，机器人从“看得见”走向“摸得着、懂力度、会适应”任重道远。VLA大模型整合了视觉、语言、动作三种模态，如果再加上触觉则困难重重。触觉感知是一个多维度感知的能力，除了力度感知外，还涉及材质感知，比如表面干性程度、温度高低、柔性还是脆性等。
|
